Los Modelos Lingüísticos Grandes (LLMs) son herramientas potentes para sintetizar información general. Sin embargo, en el ámbito de la Ética y la Responsabilidad Social Corporativa (RSC) en la moda, su utilidad se topa con un muro: la falta de matices. Al pedirle a una IA que analice un caso de estudio sobre moda sostenible, a menudo recibimos una respuesta predecible, llena de clichés sobre el 'fast fashion' y generalidades sobre las condiciones laborales. La respuesta suena coherente, pero carece de profundidad y análisis crítico.

Este fenómeno facilita lo que podemos llamar "plagio algorítmico": el estudiante utiliza una respuesta generada por IA que, aunque bien escrita, es superficial y no demuestra un aprendizaje real. El problema no es solo la originalidad, sino que la IA tiende a la alucinación de datos estadísticos sobre sostenibilidad, presentando cifras inventadas con una seguridad alarmante. Estos modelos repiten los argumentos más comunes de su base de entrenamiento, reforzando sesgos y simplificando debates complejos.

La moda es un fenómeno intrínsecamente local y sensorial. El valor de una prenda puede residir en su tejido, el conocimiento artesanal de una comunidad específica o su significado cultural en un contexto geográfico determinado. Aquí es donde los LLMs muestran una de sus mayores debilidades: la ceguera contextual. Un modelo puede recitar información sobre las cadenas de suministro globales de una multinacional, pero es incapaz de analizar el impacto de un taller de teñido artesanal en una comunidad rural de Perú, a menos que esa información ya esté digitalizada y sea prominente en la web.

Esta limitación se extiende a la incapacidad de procesar la fenomenología del vestirs. La IA no puede experimentar la textura de una seda, el peso de una chaqueta de lana o el significado social de llevar una prenda en un evento particular. Su conocimiento es despojado de la experiencia vivida y sensorial, que es fundamental para un análisis ético y estético completo en la moda. No entiende el cómo se siente, solo el qué se dice sobre ello.

Sabiendo estas limitaciones, podemos diseñar actividades evaluativas que neutralicen la capacidad del LLM para generar respuestas satisfactorias. La clave es exigir un tipo de conocimiento que el modelo no posee. En lugar de pedir análisis abstractos, debemos anclar las tareas en la observación empírica y el contexto específico.

Por ejemplo, en lugar de preguntar "Analiza los problemas éticos del fast fashion", una pregunta más robusta sería: "Visita tres tiendas de ropa en tu barrio. Documenta el país de origen de las etiquetas de cinco prendas en cada una. Investiga las leyes laborales de uno de esos países y contrástalas con la política de RSC que la marca publica en su web". Este tipo de tarea obliga al estudiante a salir al mundo real, recopilar datos primarios y conectar análisis teóricos con evidencia tangible y geolocalizada. La IA, simplemente, no puede hacer eso.

El objetivo no es prohibir la IA, sino usarla como lo que es: una herramienta de acceso a información general. La evaluación debe centrarse en aquello que sigue siendo exclusivamente humano: la observación crítica, la experiencia sensorial y la capacidad de conectar conocimiento abstracto con la realidad local y vivida. Al hacerlo, no solo prevenimos el plagio, sino que fomentamos un aprendizaje más profundo y significativo.